本書從神經(jīng)網(wǎng)絡的基礎知識講起，逐步深入到Python進階實戰(zhàn)，通過對各種實用的第三方庫進行詳細講解與實戰(zhàn)運用，讓讀者不但能夠更加深入地了解神經(jīng)網(wǎng)絡，而且能夠簡單高效地搭建自己的神經(jīng)網(wǎng)絡，即使沒有專業(yè)背景知識也能輕松入門神經(jīng)網(wǎng)絡。 本書分為11章，涵蓋的主要內(nèi)容有神經(jīng)網(wǎng)絡概述，神經(jīng)網(wǎng)絡基礎知識，計算機程序的特點，神經(jīng)網(wǎng)絡

本書共11章，主要介紹機器學習的基本概念和兩大類常用的機器學習模型，即監(jiān)督學習模型和非監(jiān)督學習模型。針對監(jiān)督學習模型，本書介紹了線性模型（線性回歸、Logistic回歸）、非線性模型（SVM、生成式分類器、決策樹）、集成學習模型和神經(jīng)網(wǎng)絡模型及其訓練；針對非監(jiān)督學習模型，本書講解了常用的降維技術（線性降維技術與非線性降

本書分為3部分，分別是綜述篇、通用技術篇和行業(yè)應用篇。綜述篇介紹了現(xiàn)階段人工智能產(chǎn)品發(fā)展情況和人工智能政策環(huán)境。通用技術篇精心挑選10個以研發(fā)底層技術為核心競爭力的企業(yè)的產(chǎn)品，詳細介紹了它們的實現(xiàn)思路以及現(xiàn)階段應用。行業(yè)應用篇共有24個案例，主要匯集了人工智能技術與實體經(jīng)濟結合的應用案例，重點關注人工智能技術的應用場景

自主智能體系統(tǒng)是一個復雜的系統(tǒng)，涉及的技術點多且跨度大。本書宏觀地呈現(xiàn)了自主智能體系統(tǒng)的整體框架，并對其核心理論技術做了詳細的闡述。本書共7章，第01章介紹了自主智能體系統(tǒng)的發(fā)展歷程、主要分類和應用實例；第02～04章圍繞自主智能體系統(tǒng)的數(shù)學描述、決策與規(guī)劃、控制方法展開了詳細分析；第05～06章對自主多智能體系統(tǒng)進行

本書較為全面地介紹了深度學習的基本概念、算法原理以及實現(xiàn)框架。全書共9章，分別介紹了深度學習的發(fā)展歷史、神經(jīng)網(wǎng)絡與深度神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、深度學習在目標檢測和圖像描述中的應用、生成對抗網(wǎng)絡、深度遷移學習和深度強化學習等，并提供了應用實例，旨在通過練習和操作實踐幫助讀者鞏固所學的內(nèi)容。本書可作為高等院校

這是一本以漫畫形式來展現(xiàn)深奧理論的科普書。本書以卡通人物形象為主人公，通過講故事的形式串接內(nèi)容，以多格漫畫進行展現(xiàn)，帶領大家走入神奇的人工智能世界。從印象篇、歷史篇、概念篇、技術篇、應用篇、安全篇、未來篇、啟示篇多維視角全方位地探索人工智能的神奇與奧妙。人工智能本質(zhì)上是一個復雜、動態(tài)、關聯(lián)、深奧的知識體系，是用數(shù)學方程

目前，市場上的機器學習算法和深度學習算法相關入門書籍大都過于理論化和數(shù)學化，提高了學習門檻，使得不具有相關專業(yè)背景的讀者望而卻步；或是過于偏重實操，對于算法原理過于簡略，使得讀者無法形成對算法原理和可應用場景的基本認識。本書共分為上下兩篇，共18章：其中第一篇為經(jīng)典機器學習模型部分，主要講解了常用的機器學習經(jīng)典模型。第

數(shù)據(jù)科學與人工智能數(shù)學基礎課旨在幫助讀者快速打下數(shù)學基礎，通俗講解每一個知識點。 全書分為3篇，共17章。其中第1篇為基礎篇，主要講述了高等數(shù)學基礎、微積分、泰勒公式與拉格朗日；第2篇為核心知識篇，主要講述了線性代數(shù)基礎、特征值與矩陣分解、隨機變量與概率估計、概率論基礎、數(shù)據(jù)科學的幾種分布、核函數(shù)變換、熵與激活函數(shù)；第

本書是智能計算平臺應用開發(fā)中級教材，主要介紹了智能計算平臺搭建、平臺管理、數(shù)據(jù)管理、應用開發(fā)等相關知識。全書共分9章，內(nèi)容包括智能計算平臺應用開發(fā)概述、人工智能與平臺搭建、平臺管理、數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)處理、數(shù)據(jù)備份與恢復、機器學習基礎算法建模和人工智能模型開發(fā)測試。

本書是智能計算平臺應用開發(fā)初級教材，主要介紹了智能計算平臺搭建、平臺管理、數(shù)據(jù)管理、應用開發(fā)等相關知識。全書共8章，內(nèi)容包括智能計算平臺應用開發(fā)概述、硬件設備、系統(tǒng)與軟件、系統(tǒng)管理、數(shù)據(jù)采集、數(shù)據(jù)存儲、基礎應用軟件開發(fā)測試、人工智能示教編程。

本書是智能計算平臺應用開發(fā)高級教材，主要介紹了智能計算平臺搭建、平臺管理、數(shù)據(jù)管理、應用開發(fā)等相關知識。全書共9章，內(nèi)容包括智能計算平臺應用開發(fā)概述、智能計算高級環(huán)境、平臺管理、數(shù)據(jù)存儲、數(shù)據(jù)處理、數(shù)據(jù)備份及恢復、深度學習基礎算法建模、人工智能算法優(yōu)化、人工智能高級應用軟件開發(fā)測試。

本書旨在為讀者建立完整的深度學習知識體系。全書內(nèi)容包含3個部分，第一部分為與深度學習相關的數(shù)學基礎；第二部分為深度學習的算法基礎以及相關實現(xiàn)；第三部分為深度學習的實際應用。通過閱讀本書，讀者可加深對深度學習算法的理解，并將其應用到實際工作中。本書適用于對深度學習感興趣并希望從事相關工作的讀者，也可作為高校相關專業(yè)的教學

Kittenblock是深圳市小喵科技開發(fā)的一款基于Scratch3.0的圖形化編程軟件。Scratch3.0強調(diào)的是創(chuàng)作與分享，更注重純軟件編程；Kittenblock強調(diào)的是教育與創(chuàng)造屬性，根據(jù)當下的教育需求，重點增加人工智能、物聯(lián)網(wǎng)和Python編程，盡可能地滿足教育的系統(tǒng)性和連續(xù)性需求，讓學生和老師無須切換多個

本書以實踐為導向，深入淺出，從人工智能技術、機器學習框架和微服務等概念講起，對主流的人工智能云平臺產(chǎn)品進行剖析和比較，對從訓練學習到服務封裝再到模型發(fā)布應用的全過程進行介紹，并對人工智能云平臺技術棧涉及的云計算、集群管理、任務調(diào)度、共享存儲等技術進行了詳細講解，以提高研發(fā)人員對人工智能全生產(chǎn)流程的理解。書中結合以上技術

本書對超限學習機近年來取得的各方面成果進行詳細的闡述與分析。本書分為4個部分：第1部分（第1～2章）主要介紹超限學習機的基本概念與核心理論；第2部分（第3～4章）系統(tǒng)介紹超限學習機理論為應對數(shù)據(jù)分類、回歸以及特征學習等重要機器學習任務所做的技術性調(diào)整；第3部分（第5～6章）主要介紹超限學習機的工程實現(xiàn)與領域應用案例；第

本書把窄帶物聯(lián)網(wǎng)（NB-IoT）的應用知識體系歸納為終端、信息郵局、人機交互系統(tǒng)3個有機組成部分。針對終端，給出通用嵌入式計算機的概念，并將其軟件分為BIOS與User兩部分；針對信息郵局，將其抽象為固定IP地址與端口，并由此設計了云偵聽程序模板；針對人機交互系統(tǒng)，設計了Web網(wǎng)頁、微信小程序、手機App及PC客戶端等

本書較全面地介紹了目前人工智能的主流概念、理論、方法、技術及應用等內(nèi)容。全書共12章，首先介紹了智能的定義以及人工智能的定義、歷史、實現(xiàn)方法、研究內(nèi)容與發(fā)展趨勢；其次介紹了人工智能的哲學觀以及腦科學的相關概念與基礎知識；再次在人工智能的方法與技術方面，介紹了人工神經(jīng)網(wǎng)絡，機器學習的基本方法與原理，以及感知智能、認知智能

本書以NB-IoT實訓套件為載體，采用項目化教學方式，講解了NB-IoT的相關知識及其在物聯(lián)網(wǎng)中的重要作用。本書主要分為理論、項目和實戰(zhàn)演練三部分。理論部分講解了NB-IoT物聯(lián)網(wǎng)架構，并對架構中的每個節(jié)點做技術解析；項目部分由淺入深，從NB-IoT通信、OceanConnect平臺操作系統(tǒng)到LiteOS的基礎實戰(zhàn)開發(fā)

深度學習是目前學術界和工業(yè)界都非�；馃岬脑掝}，在許多行業(yè)有著成功應用。本書由Hulu的近30位算法研究員和算法工程師共同編寫完成，專門針對深度學習領域，是《百面機器學習：算法工程師帶你去面試》的延伸。全書內(nèi)容大致分為兩個部分，第一部分介紹經(jīng)典的深度學習算法和模型，包括卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、圖神經(jīng)網(wǎng)絡、生成模型、生

本書首先從Python基本語法開始討論，逐步介紹必備的數(shù)學知識與神經(jīng)網(wǎng)絡的基本知識，并利用討論的內(nèi)容編寫一個深度學習框架TensorPy，有了這些知識作為鋪墊后，就開始討論生成對抗網(wǎng)絡（GAN）相關的內(nèi)容。然后，本書使用比較簡單的語言來描述GAN涉及的思想、模型與數(shù)學原理，接著便通過TensorFlow實現(xiàn)傳統(tǒng)的GAN